解读京东系统之个性化

专业人员表示完善的推荐系统一般由四部分组成，按照收集 → 分析 → 推荐的步骤，收集用户信息的用户行为记录模块、分析用户喜好的分析模型模块、分析商品特征的商品分析模块和推荐算法模块。

用户行为记录模块负责搜集能反映用户喜好的行为，例如浏览、购买、评论、京东问答等;用户行为分析模块通过用户的行为记录，分析用户对商品的潜在喜好及喜欢程度，建立用户偏好模型;商品分析模块主要对商品进行商品相似度、商品搭配度、目标用户标签进行分析;推荐算法根据一定的规则从备选商品集合中筛选出目标用户比较可能感兴趣的商品进行推荐。

用户画像是根据用户特征(性别、年纪、地域等)、消费行为习惯(浏览、购买、评论、问答等)等信息进行抽象化，建立标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户行为记录分析而来的高度精炼的特征标识。推荐系统的难点，其中很大一部分就在于用户画像的积累过程极其艰难。

其次用户画像与业务本身密切相关。在用户标签足够丰富并且多的时候，就可以对用户聚类，例如用a/b/c/d等四种典型用户画像来代表商城的目标用户，还可以将新用户进行归类这些典型用户画像中。

商品分析模块主要根据商品的类目品牌、商品属性、产品评论、库存、销售记录、订单数据、浏览收藏、价格等数据来分析商品相似度、商品搭配度(可人工调整)，并且对商品贴上目标用户标签。

用户画像、商品分析模块的数据都是为推荐算法提供基础数据。商品推荐的算法有很多种，需要根据推荐结果反馈，不断优化模型。有时候还需要考虑人工因素的权重，例京东自营商品排在前面、评分高的店铺优先推荐等。在推荐时，还用一些特殊推荐：购买此商品的顾客也同时购买、看过此商品后顾客购买的其他商品、经常一起购买的商品，都是基于商品进行的推荐。

如果完全按照用户行为数据进行推荐，就会使得推荐结果的候选集永远只在一个比较小的范围内，在保证推荐结果相对准确的前提下，按照一定的策略，去逐渐拓宽推荐结果的范围，给予推荐结果一定的多样性。